基于FPGA的水藻细胞图像检测系统的研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1.绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 水藻细胞检测发展与现状 | 第8-10页 |
| 1.3 本文研究内容 | 第10页 |
| 1.4 本文组织架构 | 第10-11页 |
| 1.5 本章小结 | 第11-12页 |
| 2.细胞图像分类算法 | 第12-30页 |
| 2.1 基于机器学习的图像分类算法 | 第12-17页 |
| 2.1.1 K-近邻算法 | 第12-13页 |
| 2.1.2 朴素贝叶斯算法 | 第13-15页 |
| 2.1.3 支持向量机 | 第15-17页 |
| 2.2 基于卷积神经网络的图像分类算法 | 第17-28页 |
| 2.2.1 卷积神经网络概述 | 第18页 |
| 2.2.2 卷积神经网络的基本结构 | 第18-27页 |
| 2.2.3 卷积神经网络的训练 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 3.基于卷积神经网络的水藻细胞分类研究 | 第30-46页 |
| 3.1 水藻细胞的培养与图像采集 | 第30-35页 |
| 3.1.1 水藻细胞培养 | 第30-32页 |
| 3.1.2 水藻细胞图像采集 | 第32-35页 |
| 3.2 网络分类性能的评价 | 第35-37页 |
| 3.3 高分辨率的细胞图像分类研究 | 第37-41页 |
| 3.3.1 高分辨率样本库的构建 | 第37-38页 |
| 3.3.2 藻类分类模型的构建 | 第38-41页 |
| 3.4 低分辨率的细胞图像分类研究 | 第41-45页 |
| 3.4.1 低分辨率样本库的构建 | 第41-42页 |
| 3.4.2 无透镜系统采集图像的分类模型构建 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 4.基于FPGA的水藻细胞分类算法的实现 | 第46-54页 |
| 4.1 卷积神经网络权值量化 | 第46-47页 |
| 4.2 分类算法的硬件设计 | 第47-51页 |
| 4.3 外围系统的搭建与实现 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5.藻类细胞图像检测系统的实现 | 第54-62页 |
| 5.1 藻类分类系统设计 | 第54-59页 |
| 5.1.1 图像处理系统设计 | 第55-56页 |
| 5.1.2 图像分类系统设计 | 第56-59页 |
| 5.2 系统测试与分析 | 第59-61页 |
| 5.3 本章小结 | 第61-62页 |
| 6.总结与展望 | 第62-64页 |
| 6.1 工作总结 | 第62-63页 |
| 6.2 工作展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读学位期间主要研究成果 | 第70页 |
